鸢尾花数据集用随机森林

使用随机森林对鸢尾花数据集进行分类是一个常见的机器学习任务。下面是一个使用Python中的scikit-learn库来实现随机森林分类的例子：

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 构建随机森林分类器
rfc = RandomForestClassifier(n_estimators=10, random_state=42)

# 在训练集上训练分类器
rfc.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = rfc.predict(X_test)

# 计算分类器的准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这个例子中，我们首先加载了鸢尾花数据集，然后将数据集分为训练集和测试集。接着，我们构建了一个包含10个决策树的随机森林分类器，并在训练集上进行训练。最后，我们在测试集上进行预测，并计算分类器的准确率。